Einfügen einer weiteren Datei in die Dataflow Python-Flex-Vorlage ImportError

Question

Gibt es ein Beispiel für eine Python Dataflow Flex-Vorlage mit mehr als einer Datei, in die das Skript andere Dateien importiert, die im selben Ordner enthalten sind?

Meine Projektstruktur sieht folgendermaßen aus:

├── pipeline
│   ├── __init__.py
│   ├── main.py
│   ├── setup.py
│   ├── custom.py

Ich versuche, custom.py in main.py für eine Datenfluss-Flex-Vorlage zu importieren.

Ich erhalte den folgenden Fehler bei der Pipeline-Ausführung:

"ModuleNotFoundError: No module named 'custom'"

Die Pipeline funktioniert einwandfrei, wenn ich den gesamten Code in eine einzelne Datei einbinde und keine Importe durchführe.

Beispiel Dockerfile:

FROM gcr.io/dataflow-templates-base/python3-template-launcher-base

ARG WORKDIR=/dataflow/template/pipeline
RUN mkdir -p ${WORKDIR} WORKDIR ${WORKDIR}

COPY pipeline /dataflow/template/pipeline

COPY spec/python_command_spec.json /dataflow/template/

ENV DATAFLOW_PYTHON_COMMAND_SPEC /dataflow/template/python_command_spec.json

RUN pip install avro-python3 pyarrow==0.11.1 apache-beam[gcp]==2.24.0

ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py" ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/main.py"

Python-Spezifikationsdatei:

{
    "pyFile":"/dataflow/template/pipeline/main.py"
}
  

Ich stelle die Vorlage mit dem folgenden Befehl bereit: gcloud builds submit --project=${PROJECT} --tag ${TARGET_GCR_IMAGE} .

Jede Hilfe wird geschätzt.

Answer 1

Ich habe dies tatsächlich gelöst, indem ich einen zusätzlichen Parameter setup_file an die Vorlagenausführung übergeben habe. Außerdem müssen setup_fileParameter zu den Vorlagenmetadaten hinzugefügt werden

--parameters setup_file="/dataflow/template/pipeline/setup.py"

Anscheinend ist der Befehl ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py" in der Docker-Datei nutzlos und nimmt die Setup-Datei nicht auf.

Meine Setup-Datei sah folgendermaßen aus:

import setuptools

setuptools.setup(
    packages=setuptools.find_packages(),
    install_requires=[
        'apache-beam[gcp]==2.24.0'
    ],
 )

Answer 2

Nach einigen Tests stellte ich fest, dass Phyton-Dateien im Arbeitsverzeichnis ( WORKDIR) aus unbekannten Gründen nicht mit einem Import referenziert werden können. Es funktioniert jedoch, wenn Sie einen Unterordner erstellen und die Python-Abhängigkeiten in diesen verschieben. Ich habe getestet und es hat funktioniert. In Ihrem Anwendungsfall können Sie beispielsweise die folgende Struktur haben:

├── pipeline
│   ├── main.py
│   ├── setup.py
│   ├── mypackage
│   │   ├── __init__.py
│   │   ├── custom.py

Und Sie können referenzieren : import mypackage.custom. Die Docker-Datei sollte in das custom.pyrichtige Verzeichnis verschoben werden .

RUN mkdir -p ${WORKDIR}/mypackage RUN touch ${WORKDIR}/mypackage/__init__.py
COPY custom.py ${WORKDIR}/mypackage

Und die Abhängigkeit wird dem Python-Installationsverzeichnis hinzugefügt:

$ docker exec -it <container> /bin/bash
# find / -name custom.py
/usr/local/lib/python3.7/site-packages/mypackage/custom.py

Answer 3

@ pavan-kumar-kattamuri hat mich gebeten, meine Lösung zu veröffentlichen, also hier ist sie.

FROM gcr.io/dataflow-templates-base/python3-template-launcher-base:flex_templates_base_image_release_20210120_RC00

ARG WORKDIR=/dataflow/template
RUN mkdir -p ${WORKDIR} WORKDIR ${WORKDIR}

COPY requirements.txt .


# Read https://stackoverflow.com/questions/65766066/can-i-make-flex-template-jobs-take-less-than-10-minutes-before-they-start-to-pro#comment116304237_65766066
# to understand why apache-beam is not being installed from requirements.txt
RUN pip install --no-cache-dir -U apache-beam==2.26.0
RUN pip install --no-cache-dir -U -r ./requirements.txt

COPY mymodule.py setup.py ./
COPY protoc_gen protoc_gen/

ENV FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE="${WORKDIR}/requirements.txt" ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/mymodule.py"
ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py"

und hier ist meine setup.py:

import setuptools

setuptools.setup(
    packages=setuptools.find_packages(),
    install_requires=[],
    name="my df job modules",
)